城市綠地覆蓋率計算研究論文

導語：城市綠地覆蓋率計算研究論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

【摘要】計算城市的綠地覆蓋率是一項繁瑣的工作。高分辨率影像的出現，給這項工作提供了便捷的途徑。本文以高分辨率影像為基礎，結合道路和水系矢量數據，利用ecognition分類軟件完成綠地的提取，并計算出綠地覆蓋率。

【關鍵詞】綠地覆蓋率高分辨率影像影像分類

1、引言

綠化建設是一個城市建設的重要工作，城市綠地覆蓋率是衡量一個城市綠化程度的最主要的指標，那么如何來計算一個城市的綠地覆蓋率呢？從方法上看，只要能夠知道城市范圍以及該范圍內的綠地面積，綠地覆蓋率的結果就可以非常簡單地計算出來，問題的關鍵就在于綠地面積的獲取。一般的作法是通過調查人員在實地調繪出綠地的范圍，然后在地圖上量算出綠地面積。由于計算的范圍一般都會非常大，如果所有的綠地都是通過調繪來確定范圍，那就需要花費大量的人力和時間，實際的工作中，通常是將城市劃分為不同的區域，每個區域再取不同的樣點，利用樣點數據計算的綠地面積來推算一個區域的綠地面積，最后再推算出整個城市的綠地面積。

目前，隨著航空遙感技術的發展，高分辨率遙感影像在國內開始得到廣泛的應用，而這些影像的出現，也給城市綠地覆蓋率計算提供了更為有效而便捷的手段。

2、主要思路

采用高分辨率影像來確定綠地范圍，這項工作完全可以在室內完成，無需進行室外的調繪。需要注意的是，綠地覆蓋率是一個跟時間密切關聯的指標，綠地覆蓋率應當是代表某個時間的計算的結果。由于植被的生長周期一般都比較長，綠地覆蓋率突變的情況比較小，而完全采用影像來確定綠地，最直接的優點就是提高了計算結果在時間定位上的精度。

從高分辨率影像上提取綠地一般是采用人工提取，也就是作業人員在計算機上，以影像為底圖，手工勾繪綠地范圍，這種方式的工作量依然很大。本文采用的作法是通過ecognition影像分類軟件來完成綠地的提取。ecognition是2004年引入國內的一個影像分類軟件，它采用面向對象的分類方法。該軟件能方便地融入其他專題地影像信息作為分類知識，同時能夠讓用戶靈活地建立基于知識的分類模型，簡潔高效地完成分類工作。

只單純采用高分辨率的影像，利用軟件來自動提取綠地的效果并不理想，本文的作法還引入了城市的路網和水系數據作為專題信息，用來提高綠地提取的精度。

另外，考慮到城市的范圍比較大，并且不同區域的地類分布會有所不同，因此需要將城市劃分為不同的區域，每個區域分別進行綠地的提取，最后再匯總計算出總的綠地面積。整個計算的過程如圖1所示。

1計算過程

Fig.1CalculationProcess

3、過程及方法描述

3.1數據準備

3.1.1數據情況

本篇文章所處理的主要數據為高分辨率影像，同時還利用了矢量的GIS數據，具體如下：

廣西南寧市QUICKBIRD影像，2002年10月份獲取，真彩色產品，包括紅、綠、蘭三個波段，tiff格式，空間分辨率0.61米。

城市路網和水系的矢量文件，ArcInfo的shape格式文件（如圖2）。

圖2矢量數據

Fig.2VectorData

本文需要計算圖1中所示的外環公路內綠地覆蓋率。

3.1.2區域劃分

城市區域的劃分主要是根據路網、水系、地勢等地理要素，在矢量地圖上，通過手工來劃分，實驗區域的劃分情況如圖3，將外環公路內分為C1、C2、C3、C4、C5、C6、C7等7個區域。

圖3工作區域

Fig.3WorkRegions

3.1.3影像配準及數據轉換

由于混合了矢量數據和影像數據的處理，為正確和方便地使用這些數據，需要統一數據的地理坐標，為此，采取將影像數據配準到矢量數據的地理坐標下的作法，影像需要根據輸入的控制點，進行移動、縮放、旋轉等內容的變換，并且不要對影像進行重新的采樣和保存。因為需要將整個范圍劃分為6個區域來處理，影像數據也相應地要分割為6個部分，但影像的分割，不需要用區域的邊界來分割，只要用區域的最小外接矩形來分割就可以了，在分類的過程中，利用區域的專題信息，就可以避免數據處理過程中對影像重疊部分的重復計算。

Ecognition的專題圖文件是由一個柵格數據文件和一個描述柵格屬性的ASCⅡ文件來組成，描述文件的后綴一般為asc，也可以是txt后綴，下面是一個asc文件的樣例。

表1asc文件格式

Tab.1ascFileFormat

ID列表示柵格文件中的灰度值，R、G、B表示該灰度值在ecognition軟件中顯示時所使用的RGB色彩的三個分量，Value、Field1都是擴展的屬性字段，用來記錄更多的特征。

矢量數據中，需要將劃分的區域面以及道路和水系的面數據轉換為ecognition軟件的專題數據文件格式，這項工作，作者是通過編寫專門的程序來實現（具體作法可參考矢量數據轉換為柵格數據的相關資料和文獻）。

3.2綠地提取

綠地的提取，主要是在ecognition軟件中來完成。

3.2.1建立工程

首先，需要建立一個新的影像分類工程。一個工程包括需要處理的多個影像數據和專題數據，以及分類的描述信息。這項工作需要注意一點，ecognition軟件主要是基于柵格數據的分析和處理，所有的影像文件和專題文件都應當具有相同的大小，這樣才能夠有效地共同完成分類的推理工作。

本文實驗中的數據包括quickbird影像三個波段數據，分割區域、道路和水系專題圖數據。

3.2.2影像分割

這步工作，是根據影像的光譜和幾何特征，將影像劃分為不同的對象（imageobject），ecognition支持多尺度的分割，“粗”的尺度下，可以分割獲得比較“大”的對象，“細”的尺度是在上一個“粗”尺度的基礎上分割出的“小”對象，因此，在ecognition中，可以建立對象的層次關系，并且可以針對不同的層來進行分類。

實驗中建立3個層次的分割面對象，如圖。

圖4影像分割

Fig.4ImageSegmentation

最“粗”的是劃分的工作區域范圍（level3），然后是以道路和水系的范圍做約束的分割面（level2），最后是根據光譜和專題圖的“精細”分割（level1）。

3.2.3分類體系的建立及特征分析

分類的目標是提取綠地，綠地的范圍和信息主要是從level3上來獲取，但是專題數據中包含的一些信息對綠地提取非常有用，比如，在level2中，已經明確為道路和水系的部分，就不需要進行分類的判別了，所有在level3上，先劃分為：主干水體、道路、非水體和主干道路三種類別。在“非主要道路和水體”的類別當中再細分為房屋、樹木、草地、陰影、街道等，如圖。

圖5影像分類

Fig.5ImageClasses

“草地”在紅色波段，灰度值主要集中在綠色波段。對于同物異譜的情況，可以通過增加更細致的分類來處理，例如房屋類別可以用房屋1、房屋2等類別來替代，每個類別的光譜特性分別描述。實驗中各種類別的光譜特征描述如表。

類別RGB類別RGB

草地110~127121~133120~132街道1148~158160~174170~180

房屋1116~126102~116108~118街道2135~150136~148138~148

房屋2108~118100~112108~120陰影33~4556~7280~92

房屋3168~180160~174160~170

3.2.4獲取分類結果

Ecognition采用模糊分類的機制，通過對特征的描述，計算不同對象隸屬各個分類的隸屬度，最后完成分類的過程。實驗的結果如圖6所示（局部）。

圖6分類結果

Fig.6ClassificationResult

其中綠地的面積包括“樹木”和“綠地”這兩種類別的面積。

3.3成果計算

計算采用象素數量來反映分類的面積。在分類完成后，通過各個區域分類面積的匯總，可以獲得主干道路面積、草地面積、樹木面積、房屋面積、街道面積、陰影面積。

其中樹木面積和房屋面積可以算做綠地面積，而陰影面積，可以認為它包含了其他分類的面積。設綠地面積為，則有

城市計算范圍的面積，設為綠地覆蓋率，于是有

4、小結

計算城市綠地覆蓋率的工作，從方法上看并不復雜，但是作為一項具體的工作卻并不簡單。傳統的作法需要花費大量的人力和時間，本篇文章采用高分辨率影像作為數據基礎，通過分類軟件來進行綠地提取，可以大量減少人工勞動，極大提高工作效率。但是在目前，利用軟件對高分辨率影像進行分類，要獲得好的分類效果還比較困難，本篇文章所要計算的綠地覆蓋率，對精度的要求并不高，同時，通過引進GIS數據參與分類，提高了分類的精度，另外，在執行完分類的過程后，還可以通過人工的檢查，手工修正一些不正確的分類結果，但這些勞動，相比較過去的作法，已經變得相當輕松。總之，采用高分辨率影像作為數據，利用影像分類軟件作為綠地提取的工具，給綠地覆蓋率的計算提供了便捷的方法，而隨著影像數據獲取的質量提高以及分類軟件性能的不斷完善，這樣的方法將會顯得愈發的簡潔和優越。

參考文獻

[1]梅安心、彭望錄等，《遙感導論》，高等教育出版社2001年7月第一版

[2]鐘仕全、石劍龍，《高分辨率衛星圖像數據處理方法及其應用》，2004年全區遙感協會論文集

[3]/.北京視寶衛星圖像有限公司